Studie av tillgänglighet av näringsämnen i aska för framtida effektiv användning i gödningsmedel

Forskarna kommer arbeta med att ta fram metoder för ”deep learning/machine learning” på tomografidata från synkrotronexperiment. Tekniken ger en 3D-avbildning av provet och med hjälp av avancerad bildbehandling kan egenskaper hos provet fås fram. Artificiell intelligens genom djup maskininlärning kan i detta projekt få en stor betydelse då dataanalyser kommer förbättras och effektiviseras.

Stora mängder fosfor och andra viktiga näringsämnen finns i många av samhällets restströmmar. Genom att ta tillvara på askan efter förbränning kan det finnas möjlighet att återcirkulera näringsämnen däri. För att kunna använda askan för näringsåterföring på ett effektivt och hållbart sätt så är det viktigt att få ökad kunskap om hur kemiska och fysikaliska egenskaper hos askan påverkar tillgängligheten av näringsämnena när askan används som gödningsmedel. Forskningen syftar till att utvärdera parametrar som mikrostruktur, porositet och ytarea, samt i vilken kemisk form fosforföreningar förekommer i askan.